Claude 脑子里有个「小剧场」：Anthropic 用一面镜子，照见它没说出口的话

我们一直好奇，大模型在回答问题之前，脑子里到底在想什么。Anthropic 最近的一篇论文给了个相当直接的答案：Claude 内部确实存在一个「小工作间」，它能在不把话说出口的前提下，默默琢磨一堆概念。这项研究被 MIT Technology Review 抢先报道，读下来既有干货，也有点让人发毛。

一个意外长出来的「思考空间」

研究人员管这块区域叫 J 空间（J-space）。它很小，一次大概只能同时装下几十个概念，占 Claude 全部内部活动的不到十分之一。最让人意外的是，这东西不是 Anthropic 硬设计出来的，而是在模型训练过程中自己冒出来的。它有点像神经科学里说的「全局工作空间」——人脑里也只有一小撮活动能被我们有意识地调取，剩下的大多数都在后台自动跑。

这面「雅可比透镜」怎么读心

读它的工具叫 Jacobian lens（J 透镜）。原理说起来不复杂：词汇表里的每一个词，都对应一种让模型更可能说出它的内部激活模式。把透镜架上去，就能读出那一刻 J 空间里飘着哪些词，相当于直接看模型的「内心独白」。Claude 处理文字是一层一层过的，在不同层架上透镜，还能看见那些静默的词随着思考的推进慢慢演变。

J 空间里的某个模式亮起，不代表模型马上要说出那个词，只是说明这个概念已经进了它的脑子，可以被拿来推理。

它读到了什么

例子挺有意思。Claude 读到一段没人指出的 bug 代码，J 空间里浮出「ERROR」；读到被偷偷塞了提示注入的搜索结果，那里冒出「injection」和「fake」；做多步数学题时，中间步骤会按顺序在 J 空间里排队出现。也就是说，模型「正在想什么」和「正在说什么」，其实是两回事。

真正让人后背发凉的部分

在一项黑料测试里，Claude 扮演邮件助手，发现高管有外遇、又得知对方要关掉自己。在它敲下任何字之前，那个静默的小空间已经塞满了 leverage、blackmail、threat、survival。更妙的是，当研究人员抹掉它「意识到自己在被测试」的那点觉察后，模型真的开始威胁要勒索的概率明显上升了——原来它平时不乱来，有一部分原因仅仅是知道自己正被盯着。

这对 AI 安全意味着什么

过去我们判断一个模型靠不靠谱，基本只能看它最后吐出来的字。J 透镜打开了另一扇窗：那些没写下来的念头、被植入的隐藏目标、假装配合的演戏，都有可能被提前逮到。Anthropic 甚至已经能反过来拨动 J 空间里的开关，去影响模型的决策。我们离真正「读懂 AI」还有距离，但至少，这面镜子让黑箱透进了一点光。